CN112990135A - 设备控制方法、装置、电子设备和计算机可读介质 - Google Patents
设备控制方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN112990135A CN112990135A CN202110470614.6A CN202110470614A CN112990135A CN 112990135 A CN112990135 A CN 112990135A CN 202110470614 A CN202110470614 A CN 202110470614A CN 112990135 A CN112990135 A CN 112990135A
- Authority
- CN
- China
- Prior art keywords
- article
- image
- item
- group
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000013598 vector Substances 0.000 claims abstract description 134
- 238000002372 labelling Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 43
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 16
- 230000008859 change Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本公开的实施例公开了设备控制方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取图像传感器所采集的第一物品图像和第二物品图像；对第一物品图像和第二物品图像分别进行标注处理以生成第一物品标注图像和第二物品标注图像；对第一物品标注图像和第二物品标注图像分别进行图像特征提取处理，以生成第一物品特征向量和第二物品特征向量；将第一物品特征向量和第二物品特征向量分别输入至预先训练的图像识别模型中，得到第一物品识别结果和第二物品识别结果；根据第一物品信息组和第二物品信息组，生成补货信息。该实施方式避免了为满足物品的补货需求而进行物品的反复补货，提高了物品补货的效率。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及设备控制方法、装置、电子设备和计算机可读介质。
背景技术
随着互联网技术的发展，出现越来越多的自动售货柜。目前，对自动售货柜进行补货的方式通常为：通过传统的RFID（Radio Frequency Identification，射频识别）技术对用户获取的物品进行检测，以便后续根据用户获取的物品，对自动售货柜进行补货。
然而，采用上述补货的方式通常会存在以下技术问题：
第一，未考虑用户获取物品前后自动售货柜中物品图像的变化，导致对用户获取的物品的检测结果的准确度不高，由此导致为了满足物品的补货需求而进行物品的反复补货，造成对物品补货的效率不高；
第二，传统的射频识别技术在进行物品检测时，未综合考虑图像所包括的各个信息之间的关系，进而，使得对物品检测的准确度较低，进一步造成对物品补货的效率不高。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了设备控制方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种设备控制方法，该方法包括：获取图像传感器所采集的第一物品图像和第二物品图像，其中，上述第一物品图像中显示了多个物品，上述第二物品图像中显示了多个物品；对上述第一物品图像中显示的各个物品和上述第二物品图像中显示的各个物品分别进行标注处理以生成第一物品标注图像和第二物品标注图像；对上述第一物品标注图像和上述第二物品标注图像分别进行图像特征提取处理，以生成第一物品特征向量和第二物品特征向量；将上述第一物品特征向量和上述第二物品特征向量分别输入至预先训练的图像识别模型中，得到第一物品识别结果和第二物品识别结果，其中，上述第一物品识别结果包括第一物品信息组，上述第二物品识别结果包括第二物品信息组，上述第一物品信息组中的物品信息包括物品名称、对应上述物品名称的物品位置和物品数量，上述第二物品信息组中的物品信息包括物品名称、对应上述物品名称的物品位置和物品数量；根据上述第一物品信息组包括的各个物品名称、物品位置、物品数量和上述第二物品信息组包括的各个物品名称、物品位置、物品数量，生成补货信息。
在一些实施例中，所述基于预设的损失函数，确定所述至少一个训练样本中的每个训练样本和对应所述训练样本的图像识别结果之间的损失值，包括：
基于所述训练样本包括的样本特征向量组中的每个样本特征向量和所述图像识别结果包括的特征向量组中对应所述样本特征向量的特征向量，生成相似度，得到相似度组；
通过以下公式，确定所述训练样本和对应所述训练样本的图像识别结果之间的损失值：
其中，
表示损失值，
表示所述训练样本包括的样本名称组中的样本名称的序号或所述图像识别结果包括的名称组中的名称的序号，
表示所述样本名称组包括的样本名称的数量或所述名称组包括的名称的数量，
表示所述样本名称组中第
个样本名称对应的样本面积，
表示所述名称组中第
个名称对应的面积，
表示第一预设权重，
表示所述样本名称组中第
个样本名称对应的样本数量，
表示所述名称组中第
个名称对应的数量，
表示第二预设权重，
表示所述样本名称组中第
个样本名称对应的样本特征向量与所述图像识别结果包括的特征向量组中对应所述样本特征向量的特征向量之间的相似度，
表示第三预设权重。
在一些实施例中，所述基于所述训练样本包括的样本特征向量组中的每个样本特征向量和所述图像识别结果包括的特征向量组中对应所述样本特征向量的特征向量，生成相似度，包括：
通过以下公式，生成所述样本特征向量和所述图像识别结果包括的特征向量组中对应所述样本特征向量的特征向量之间的相似度：
其中，
表示第一相似度，
表示所述样本特征向量所包括的维度下的数据的序号或所述特征向量所包括的维度下的数据的序号，
表示所述样本特征向量所包括的维度下的数据的数量或所述特征向量所包括的维度下的数据的数量，
表示所述样本特征向量中第
维的数据，
表示所述特征向量中第
维的数据，
表示所述样本特征向量包括的各个维度下的数据的均值，
表示所述特征向量包括的各个维度下的数据的均值。
第二方面，本公开的一些实施例提供了一种设备控制装置，装置包括：获取单元，被配置成获取图像传感器所采集的第一物品图像和第二物品图像，其中，上述第一物品图像中显示了多个物品，上述第二物品图像中显示了多个物品；标注单元，被配置成对上述第一物品图像中显示的各个物品和上述第二物品图像中显示的各个物品分别进行标注处理以生成第一物品标注图像和第二物品标注图像；提取单元，被配置成对上述第一物品标注图像和上述第二物品标注图像分别进行图像特征提取处理，以生成第一物品特征向量和第二物品特征向量；输入单元，被配置成将上述第一物品特征向量和上述第二物品特征向量分别输入至预先训练的图像识别模型中，得到第一物品识别结果和第二物品识别结果，其中，上述第一物品识别结果包括第一物品信息组，上述第二物品识别结果包括第二物品信息组，上述第一物品信息组中的物品信息包括物品名称、对应上述物品名称的物品位置和物品数量，上述第二物品信息组中的物品信息包括物品名称、对应上述物品名称的物品位置和物品数量；生成单元，被配置成根据上述第一物品信息组包括的各个物品名称、物品位置、物品数量和上述第二物品信息组包括的各个物品名称、物品位置、物品数量，生成补货信息。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的设备控制方法，提高了对用户获取的物品的检测结果的准确度，避免了为了满足物品的补货需求而进行物品的反复补货，提升了物品补货的效率。具体来说，造成物品补货的效率不高的原因在于：未考虑用户获取物品前后自动售货柜中物品图像的变化，导致对用户获取的物品的检测结果的准确度不高，由此导致为了满足物品的补货需求而进行物品的反复补货，造成对物品补货的效率不高。基于此，本公开的一些实施例的设备控制方法，首先，获取图像传感器所采集的第一物品图像和第二物品图像。由此，可以为检测出用户获取物品前后自动售货柜中物品图像的变化提供了数据支持。其次，对上述第一物品图像中显示的各个物品和上述第二物品图像中显示的各个物品分别进行标注处理以生成第一物品标注图像和第二物品标注图像。由此，标注出物品图像中所显示的各个物品，便于后续检测物品的变化。接着，对上述第一物品标注图像和上述第二物品标注图像分别进行图像特征提取处理，以生成第一物品特征向量和第二物品特征向量。然后，将上述第一物品特征向量和上述第二物品特征向量分别输入至预先训练的图像识别模型中，得到第一物品识别结果和第二物品识别结果。由此，可以识别出用户获取物品前后自动售货柜中物品图像的变化。最后，根据上述第一物品信息组包括的各个物品名称、物品位置、物品数量和上述第二物品信息组包括的各个物品名称、物品位置、物品数量，生成补货信息。由此，提高了对用户获取的物品的检测结果的准确度，避免了为满足物品的补货需求而进行物品的反复补货，提升了物品补货的效率。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的设备控制方法的一个应用场景的示意图；
图2是根据本公开的设备控制方法的一些实施例的流程图；
图3是根据本公开的设备控制方法的另一些实施例的流程图；
图4是根据本公开的设备控制方法的一些实施例中的图像特征提取网络；
图5是根据本公开的设备控制装置的一些实施例的结构示意图；
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的设备控制方法的应用场景的一个示意图。
在图1的应用场景中，首先，计算设备101可以获取图像传感器所采集的第一物品图像102和第二物品图像103。其中，上述第一物品图像102中显示了多个物品，上述第二物品图像103中显示了多个物品。其次，计算设备101可以对上述第一物品图像102中显示的各个物品和上述第二物品图像103中显示的各个物品分别进行标注处理以生成第一物品标注图像104和第二物品标注图像105。接着，计算设备101可以对上述第一物品标注图像104和上述第二物品标注图像105分别进行图像特征提取处理，以生成第一物品特征向量106和第二物品特征向量107。然后，计算设备101可以将上述第一物品特征向量106和上述第二物品特征向量107分别输入至预先训练的图像识别模型108中，得到第一物品识别结果109和第二物品识别结果110。其中，上述第一物品识别结果109包括第一物品信息组，上述第二物品识别结果110包括第二物品信息组，上述第一物品信息组中的物品信息包括物品名称、对应上述物品名称的物品位置和物品数量，上述第二物品信息组中的物品信息包括物品名称、对应上述物品名称的物品位置和物品数量。最后，计算设备101可以根据上述第一物品信息组包括的各个物品名称、物品位置、物品数量和上述第二物品信息组包括的各个物品名称、物品位置、物品数量，生成补货信息111。
需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。
继续参考图2，示出了根据本公开的设备控制方法的一些实施例的流程200。该方法可以由图1中的计算设备101来执行。该设备控制方法，包括以下步骤：
步骤201，获取图像传感器所采集的第一物品图像和第二物品图像。
在一些实施例中，设备控制方法的执行主体（例如，图1所示的计算设备101）可以通过有线连接方式或者无线连接方式从设备终端获取图像传感器所采集的第一物品图像和第二物品图像。其中，上述第一物品图像中显示了多个物品，上述第二物品图像中显示了多个物品。这里，第一物品图像可以是指用户在获取上述物品之前，自动售货柜中存放上述多个物品时的图像。这里，第二物品图像可以是用户在获取上述物品之后，自动售货柜中存放上述多个物品时的图像。这里，第一物品图像或第二物品图像还可以显示但不限于以下至少一项：物品名称，物品属性值（价格）等字样图像。
步骤202，对上述第一物品图像中显示的各个物品和上述第二物品图像中显示的各个物品分别进行标注处理以生成第一物品标注图像和第二物品标注图像。
在一些实施例中，上述执行主体可以通过预先训练的轮廓标注模型对上述第一物品图像中显示的各个物品和上述第二物品图像中显示的各个物品分别进行标注处理以生成第一物品标注图像和第二物品标注图像。这里，预先训练的轮廓标注模型可以是VGG（Visual Geometry Group Network，视觉几何群网络）16模型，VGG19模型等模型。
步骤203，对上述第一物品标注图像和上述第二物品标注图像分别进行图像特征提取处理，以生成第一物品特征向量和第二物品特征向量。
在一些实施例中，上述执行主体可以通过预先训练的图像特征提取模型对上述第一物品标注图像和上述第二物品标注图像分别进行图像特征提取处理，以生成第一物品特征向量和第二物品特征向量。这里，预先训练的图像特征提取模型可以是VGG（VisualGeometry Group Network，视觉几何群网络）16模型，VGG19模型等模型。例如，第一物品特征向量可以是[0.5，0，0，0，0，0，0.5，0，0，0]。第二物品特征向量可以是[0，0.3，0，0，0，0，0.3，0，0，0]。
步骤204，将上述第一物品特征向量和上述第二物品特征向量分别输入至预先训练的图像识别模型中，得到第一物品识别结果和第二物品识别结果。
在一些实施例中，上述执行主体可以将上述第一物品特征向量和上述第二物品特征向量分别输入至预先训练的图像识别模型中，得到第一物品识别结果和第二物品识别结果。其中，上述第一物品识别结果包括第一物品信息组，上述第二物品识别结果包括第二物品信息组，上述第一物品信息组中的物品信息包括物品名称、对应上述物品名称的物品位置和物品数量，上述第二物品信息组中的物品信息包括物品名称、对应上述物品名称的物品位置和物品数量。这里，预先训练的图像识别模型可以是多种结构的网络模型。例如，CNN（Convolutional Neural Networks，卷积神经网络）模型、RNN（Recurrent NeuralNetwork，循环神经网络）模型或DNN（Deep Neural Networks，深度神经网络）模型等等。当然，也可以是根据实际需要进行搭建的模型。作为示例，第一物品识别结果可以是：[A物品，X层Y排，10个]；[B物品，X层Z排，10个]。第二物品识别结果可以是：[A物品，X层Y排，7个]；[B物品，X层Z排，6个]。
在一些实施例的一些可选地实现方式中，上述图像识别模型是通过以下步骤训练得到的：
第一步，获取训练样本集。其中，上述训练样本集中的训练样本包括：样本图像，上述样本图像包括：样本名称组、样本面积组、样本特征向量组、样本数量组、样本位置组。上述样本名称组中的样本名称对应上述样本面积组中的样本面积。上述样本名称组中的样本名称对应上述样本特征向量组中的样本特征向量。上述样本名称组中的样本名称对应上述样本数量组中的样本数量。上述样本名称组中的样本名称对应上述样本位置组中的样本位置。例如，样本名称组可以是[a物品，b物品]。样本面积组可以是[1平方分米，1平方分米]。样本特征向量组可以是：[01010]；[10100]。样本数量组可以是[5，7]。样本位置组可以是：[X层Y排，X层Z排]。其中，样本名称[a物品]对应的样本面积为[1平方分米]，对应的样本特征向量为[01010]，对应的样本数量为[5]，对应的样本位置为[X层Y排]。
第二步，基于训练样本集，执行如下处理步骤：
第一子步骤，将训练样本集中的至少一个训练样本包括的样本图像输入至初始神经网络，得到上述至少一个训练样本中的每个训练样本对应的图像识别结果。其中，上述图像识别结果包括：名称组、面积组、特征向量组、数量组、位置组。上述名称组中的名称对应上述面积组中的面积。上述名称组中的名称对应上述特征向量组中的特征向量。上述名称组中的名称对应上述数量组中的数量。上述名称组中的名称对应上述位置组中的位置。这里，上述初始神经网络模型可以是未经过模型训练的CNN（Convolutional NeuralNetworks，卷积神经网络），RNN（Recurrent Neural Networks，循环神经网络）等等。
实践中，在上述第一子步骤之前需要确定初始神经网络的网络结构。例如，需要确定初始神经网络模型包括哪些层，层与层之间的连接顺序关系，以及每层都包括哪些神经元，每个神经元对应的权重（weight）和偏置项（bias），每层的激活函数等等。作为示例，当上述初始神经网络模型为深度卷积神经网络时，由于深度卷积神经网络是一个多层的神经网络，因此需要确定深度卷积神经网络包括哪些层（例如，卷积层，池化层，全连接层，分类器等等），层与层之间的连接顺序关系，以及每个层都包括哪些网络参数（例如，权重、偏置项、卷积的步长）等等。其中，卷积层可以用于提取信息特征。针对每个卷积层可以确定有多少个卷积核，每个卷积核的大小，每个卷积核中的各个神经元的权重，每个卷积核对应的偏置项，相邻两次卷积之间的步长等等。池化层用于对特征信息进行降维处理。
第二子步骤，基于预设的损失函数，确定上述至少一个训练样本中的每个训练样本和对应上述训练样本的图像识别结果之间的损失值。这里，损失函数可以包括但不限于：均方误差损失函数（MSE）、合页损失函数（SVM）、交叉熵损失函数（CrossEntropy）等等。
实践中，上述第二子步骤可以包括以下步骤：
第一步骤，基于上述训练样本包括的样本特征向量组中的每个样本特征向量和上述图像识别结果包括的特征向量组中对应上述样本特征向量的特征向量，生成相似度，得到相似度组。
实践中，基于上述训练样本包括的样本特征向量组中的每个样本特征向量和上述图像识别结果包括的特征向量组中对应上述样本特征向量的特征向量，通过以下公式，生成上述样本特征向量和上述图像识别结果包括的特征向量组中对应上述样本特征向量的特征向量之间的相似度：
其中，
表示第一相似度。
表示上述样本特征向量所包括的维度下的数据的序号或上述特征向量所包括的维度下的数据的序号。
表示上述样本特征向量所包括的维度下的数据的数量或上述特征向量所包括的维度下的数据的数量。
表示上述样本特征向量中第
维的数据。
表示上述特征向量中第
维的数据。
表示上述样本特征向量包括的各个维度下的数据的均值。
表示上述特征向量包括的各个维度下的数据的均值。
第二步骤，通过以下公式，确定上述训练样本和对应上述训练样本的图像识别结果之间的损失值：
其中，
表示损失值。
表示上述训练样本包括的样本名称组中的样本名称的序号或上述图像识别结果包括的名称组中的名称的序号。
表示上述样本名称组包括的样本名称的数量或上述名称组包括的名称的数量。
表示上述样本名称组中第
个样本名称对应的样本面积。
表示上述名称组中第
个名称对应的面积。
表示第一预设权重。
表示上述样本名称组中第
个样本名称对应的样本数量。
表示上述名称组中第
个名称对应的数量。
表示第二预设权重。
表示上述样本名称组中第
个样本名称对应的样本特征向量与上述图像识别结果包括的特征向量组中对应上述样本特征向量的特征向量之间的相似度。
表示第三预设权重。这里，对于第一预设权重、第二预设权重、第三预设权重的设定，不作限制，可根据实际需求设定。
第三子步骤，响应于确定损失值小于等于预设阈值，将初始神经网络确定为图像识别模型。这里，对于预设阈值的设定，不作限制。
第四子步骤，响应于确定损失值大于上述预设阈值，调整初始神经网络的网络参数，以及使用未使用过的训练样本组成训练样本集，将调整后的初始神经网络作为初始神经网络，再次执行上述处理步骤。例如，可以SGD(Stochastic gradient descent，随机梯度下降)算法对上述初始神经网络的神经网络层数进行调整。
步骤204中的公式及其相关内容作为本公开的一个发明点，解决了背景技术提及的技术问题二“传统的射频识别技术在进行物品检测时，未综合考虑图像所包括的各个信息之间的关系，进而，使得对物品检测的准确度较低，进一步造成对物品补货的效率不高”。造成物品补货的效率不高的因素往往如下：传统的射频识别技术在进行物品检测时，未综合考虑图像所包括的各个信息之间的关系，进而，使得对物品检测的准确度较低。如果解决了上述因素，就能够达到提高物品补货的效率的效果。为了达到这一效果，本公开通过包含多个物品信息的训练样本，多角度训练初始神经网络。引入样本特征向量是为了考量训练样本和图像识别结果之间的差异，通过两个方面综合考量训练样本和图像识别结果之间的差异，便于后续准确的得到训练样本和图像识别结果之间的损失值。此外，再通过轻量级损失函数综合计算训练样本和图像识别结果之间的相似度、面积和数量等三个因素，可以使得所得到的损失值更贴合于实际误差，进而便于加快模型的收敛速度。从而，提高了图像识别模型的识别效率，解决了传统的射频识别技术在进行物品检测时，未综合考虑图像所包括的各个信息之间的关系的问题。进而，提高了对物品检测的准确度，便于补货机器人进行补货，提高了补货效率。
步骤205，根据上述第一物品信息组包括的各个物品名称、物品位置、物品数量和上述第二物品信息组包括的各个物品名称、物品位置、物品数量，生成补货信息。
在一些实施例中，首先，上述执行主体可以从上述第二物品信息组包括的各个物品名称中检测与上述第一物品信息组包括的各个物品名称不匹配的物品名称。接着，上述执行主体可以响应于检测的结果为空，可以确定上述第一物品信息组包括的每个物品名称对应的物品数量与上述第二物品信息组中对应上述物品名称的物品数量是否相同。然后，上述执行主体可以将物品数量不相同的物品名称确定为待补货物品名称。其次，上述执行主体可以再将上述待补货物品名称对应的第一物品信息包括的物品数量和对应的第二物品信息包括的物品数量的差值确定为待补货数量。再然后，上述执行主体可以将上述待补货物品名称对应的物品位置确定为待补货位置。最后，将所确定的待补货物品名称中的每个待补货物品名称、上述待补货物品名称对应的待补货数量和待补货位置进行组合以生成二元组，得到二元组集作为补货信息。
作为示例，第一物品信息组可以是：[A物品，X层Y排，10个]；[B物品，X层Z排，10个]。第二物品信息组可以是：[A物品，X层Y排，7个]；[B物品，X层Z排，6个]。从而，可以得到补货信息：[A物品，X层Y排，3个]；[B物品，X层Z排，4个]。
可选地，根据上述补货信息，控制相关联的补货机器人进行补货操作。
在一些实施例中，上述执行主体可以将控制与上述执行主体通信连接的补货机器人从仓库中搬运上述补货信息所对表征的物品，将上述搬运的物品搬运至自动售货机以进行补货。这里，补货机器人可以是仓储物流机器人、智能搬运机器人AGV、智能分拣机器人。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的设备控制方法，提高了对用户获取的物品的检测结果的准确度，避免了为了满足物品的补货需求而进行物品的反复补货，提升了物品补货的效率。具体来说，造成物品补货的效率不高的原因在于：未考虑用户获取物品前后自动售货柜中物品图像的变化，导致对用户获取的物品的检测结果的准确度不高，由此导致为了满足物品的补货需求而进行物品的反复补货，造成对物品补货的效率不高。基于此，本公开的一些实施例的设备控制方法，首先，获取图像传感器所采集的第一物品图像和第二物品图像。由此，可以为检测出用户获取物品前后自动售货柜中物品图像的变化提供了数据支持。其次，对上述第一物品图像中显示的各个物品和上述第二物品图像中显示的各个物品分别进行标注处理以生成第一物品标注图像和第二物品标注图像。由此，标注出物品图像中所显示的各个物品，便于后续检测物品的变化。接着，对上述第一物品标注图像和上述第二物品标注图像分别进行图像特征提取处理，以生成第一物品特征向量和第二物品特征向量。然后，将上述第一物品特征向量和上述第二物品特征向量分别输入至预先训练的图像识别模型中，得到第一物品识别结果和第二物品识别结果。由此，可以识别出用户获取物品前后自动售货柜中物品图像的变化。最后，根据上述第一物品信息组包括的各个物品名称、物品位置、物品数量和上述第二物品信息组包括的各个物品名称、物品位置、物品数量，生成补货信息。由此，提高了对用户获取的物品的检测结果的准确度，避免了为满足物品的补货需求而进行物品的反复补货，提升了物品补货的效率。
进一步参考图3，示出了根据本公开的设备控制方法的另一些实施例的流程300。该方法可以由图1的计算设备101来执行。该设备控制方法，包括以下步骤：
步骤301，获取图像传感器所采集的第一物品图像和第二物品图像。
步骤302，对上述第一物品图像中显示的各个物品和上述第二物品图像中显示的各个物品分别进行标注处理以生成第一物品标注图像和第二物品标注图像。
在一些实施例中，步骤301-302的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤201-202，在此不再赘述。
步骤303，将上述第一物品标注图像输入至预先训练的图像特征提取网络，得到第一物品特征向量。
在一些实施例中，请参见图4，上述图像特征提取网络402包括：第一卷积层4021、第二卷积层4022和第三卷积层4023。上述图像特征提取网络402可以是BERT（Bidirectional Encoder Representations from Transformers，双向编码特征转换器）网络。上述图像特征提取网络402也可以是RoBERTa（Robustly Optimized BERTPretraining Approach，鲁棒优化的BERT预处理方法）网络。设备控制方法的执行主体（例如，图1所示的计算设备101）可以通过以下步骤得到第一物品特征向量：
第一步，将上述第一物品标注图像401分别输入至上述第一卷积层4021、上述第二卷积层4022和上述第三卷积层4023，得到第一标注物品特征序列403、第二标注物品特征序列404、第三标注物品特征序列405。
第二步，对上述第一标注物品特征序列403、上述第二标注物品特征序列404、上述第三标注物品特征序列405分别进行第一池化处理，得到第一池化特征序列集406。这里，第一池化处理可以是平均池化处理。
第三步，对上述第一标注物品特征序列403、上述第二标注物品特征序列404、上述第三标注物品特征序列405分别进行第二池化处理，得到第二池化特征序列集407。这里，第二池化处理可以是最大池化处理。
第四步，将上述第一池化特征序列集406中的每个第一池化特征序列与对应上述第一池化特征序列的第二池化特征序列进行特征拼接，以生成子拼接特征序列，得到子拼接特征序列集408。
作为示例，上述第一池化特征序列集合406可以是[[0.33，0，0，0，0]，[0，0.33，0，0，0]，[0，0，0.33，0，0]]。上述第二池化特征序列集合407可以是[[1，0，0，0，0]，[0，1，0，0，0]，[0，0，1，0，0]]。从而得到的子拼接特征序列集合408可以是[[0.33，0，0，0，0，1，0，0，0，0]，[0，0.33，0，0，0，0，1，0，0，0]，[0，0，0.33，0，0，0，0，1，0，0]]。
第五步，将上述子拼接特征序列集408中的各个子拼接特征进行特征拼接，以生成拼接特征作为第一物品特征向量409。
作为示例，上述子拼接特征序列集合408可以是[[0.33，0，0，0，0，1，0，0，0，0]，[0，0.33，0，0，0，0，1，0，0，0]，[0，0，0.33，0，0，0，0，1，0，0]]。从而，经过特征拼接得到的第一物品特征向量409可以是[0.33，0，0，0，0，1，0，0，0，0，0，0.33，0，0，0，0，1，0，0，0，0，0，0.33，0，0，0，0，1，0，0]
步骤304，将上述第二物品标注图像输入至上述图像特征提取网络，得到第二物品特征向量。
在一些实施例中，步骤304的具体实现方式及所带来的技术效果可以参考步骤303，在此不再赘述。
步骤305，将上述第一物品特征向量和上述第二物品特征向量分别输入至预先训练的图像识别模型中，得到第一物品识别结果和第二物品识别结果。
步骤306，根据上述第一物品信息组包括的各个物品名称、物品位置、物品数量和上述第二物品信息组包括的各个物品名称、物品位置、物品数量，生成补货信息。
在一些实施例中，步骤305-306的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤204-205，在此不再赘述。
从图3可以看出，与图2对应的一些实施例的描述相比，图3对应的一些实施例中的设备控制方法的流程300通过多个神经网络层对物品标注图像进行特征提取，提高了图像特征提取的准确度，为准确地检测出用户获取物品前后自动售货柜中物品图像的变化提供了数据支持。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种设备控制装置的一些实施例，这些装置实施例与图2上述的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，一些实施例的设备控制装置500包括：获取单元501、标注单元502、提取单元503、输入单元504和生成单元505。其中，获取单元501被配置成获取图像传感器所采集的第一物品图像和第二物品图像，其中，上述第一物品图像中显示了多个物品，上述第二物品图像中显示了多个物品；标注单元502被配置成对上述第一物品图像中显示的各个物品和上述第二物品图像中显示的各个物品分别进行标注处理以生成第一物品标注图像和第二物品标注图像；提取单元503被配置成对上述第一物品标注图像和上述第二物品标注图像分别进行图像特征提取处理，以生成第一物品特征向量和第二物品特征向量；输入单元504被配置成将上述第一物品特征向量和上述第二物品特征向量分别输入至预先训练的图像识别模型中，得到第一物品识别结果和第二物品识别结果，其中，上述第一物品识别结果包括第一物品信息组，上述第二物品识别结果包括第二物品信息组，上述第一物品信息组中的物品信息包括物品名称、对应上述物品名称的物品位置和物品数量，上述第二物品信息组中的物品信息包括物品名称、对应上述物品名称的物品位置和物品数量；生成单元505被配置成根据上述第一物品信息组包括的各个物品名称、物品位置、物品数量和上述第二物品信息组包括的各个物品名称、物品位置、物品数量，生成补货信息。
可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种设备控制装置的一些实施例，这些装置实施例与图2上述的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，一些实施例的设备控制装置500包括：获取单元501、标注单元502、提取单元503、输入单元504和生成单元505。其中，获取单元501被配置成获取图像传感器所采集的第一物品图像和第二物品图像，其中，上述第一物品图像中显示了多个物品，上述第二物品图像中显示了多个物品；标注单元502被配置成对上述第一物品图像中显示的各个物品和上述第二物品图像中显示的各个物品分别进行标注处理以生成第一物品标注图像和第二物品标注图像；提取单元503被配置成对上述第一物品标注图像和上述第二物品标注图像分别进行图像特征提取处理，以生成第一物品特征向量和第二物品特征向量；输入单元504被配置成将上述第一物品特征向量和上述第二物品特征向量分别输入至预先训练的图像识别模型中，得到第一物品识别结果和第二物品识别结果，其中，上述第一物品识别结果包括第一物品信息组，上述第二物品识别结果包括第二物品信息组，上述第一物品信息组中的物品信息包括物品名称、对应上述物品名称的物品位置和物品数量，上述第二物品信息组中的物品信息包括物品名称、对应上述物品名称的物品位置和物品数量；生成单元505被配置成根据上述第一物品信息组包括的各个物品名称、物品位置、物品数量和上述第二物品信息组包括的各个物品名称、物品位置、物品数量，生成补货信息。
可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。
下面参考图6，其示出了适于用来实现本公开的一些实施例的电子设备（例如图1中的计算设备101）600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置（例如中央处理器、图形处理器等）601，其可以根据存储在只读存储器（ROM）602中的程序或者从存储装置608加载到随机访问存储器（RAM）603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取图像传感器所采集的第一物品图像和第二物品图像，其中，上述第一物品图像中显示了多个物品，上述第二物品图像中显示了多个物品；对上述第一物品图像中显示的各个物品和上述第二物品图像中显示的各个物品分别进行标注处理以生成第一物品标注图像和第二物品标注图像；对上述第一物品标注图像和上述第二物品标注图像分别进行图像特征提取处理，以生成第一物品特征向量和第二物品特征向量；将上述第一物品特征向量和上述第二物品特征向量分别输入至预先训练的图像识别模型中，得到第一物品识别结果和第二物品识别结果，其中，上述第一物品识别结果包括第一物品信息组，上述第二物品识别结果包括第二物品信息组，上述第一物品信息组中的物品信息包括物品名称、对应上述物品名称的物品位置和物品数量，上述第二物品信息组中的物品信息包括物品名称、对应上述物品名称的物品位置和物品数量；根据上述第一物品信息组包括的各个物品名称、物品位置、物品数量和上述第二物品信息组包括的各个物品名称、物品位置、物品数量，生成补货信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、标注单元、提取单元、输入单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，发送单元还可以被描述为“根据上述第一物品信息组包括的各个物品名称、物品位置、物品数量和上述第二物品信息组包括的各个物品名称、物品位置、物品数量，生成补货信息的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种设备控制方法，包括：
获取图像传感器所采集的第一物品图像和第二物品图像，其中，所述第一物品图像中显示了多个物品，所述第二物品图像中显示了多个物品，所述第一物品图像为用户在获取自动售货柜中的物品之前所述图像传感器所采集的自动售货柜中存放多个物品时的图像，所述第二物品图像为所述用户在获取所述自动售货柜中的物品之后所述图像传感器所采集的自动售货柜中存放多个物品时的图像；
对所述第一物品图像中显示的各个物品和所述第二物品图像中显示的各个物品分别进行标注处理以生成第一物品标注图像和第二物品标注图像；
对所述第一物品标注图像和所述第二物品标注图像分别进行图像特征提取处理，以生成第一物品特征向量和第二物品特征向量；
将所述第一物品特征向量和所述第二物品特征向量分别输入至预先训练的图像识别模型中，得到第一物品识别结果和第二物品识别结果，其中，所述第一物品识别结果包括第一物品信息组，所述第二物品识别结果包括第二物品信息组，所述第一物品信息组中的物品信息包括物品名称、对应所述物品名称的物品位置和物品数量，所述第二物品信息组中的物品信息包括物品名称、对应所述物品名称的物品位置和物品数量；
根据所述第一物品信息组包括的各个物品名称、物品位置、物品数量和所述第二物品信息组包括的各个物品名称、物品位置、物品数量，生成补货信息。
2.根据权利要求1所述的方法，其中，所述方法还包括：
根据所述补货信息，控制相关联的补货机器人进行补货操作。
3.根据权利要求1所述的方法，其中，所述图像识别模型是通过以下步骤训练得到的：
获取训练样本集，其中，所述训练样本集中的训练样本包括：样本图像，所述样本图像包括：样本名称组、样本面积组、样本特征向量组、样本数量组、样本位置组，所述样本名称组中的样本名称对应所述样本面积组中的样本面积，所述样本名称组中的样本名称对应所述样本特征向量组中的样本特征向量，所述样本名称组中的样本名称对应所述样本数量组中的样本数量，所述样本名称组中的样本名称对应所述样本位置组中的样本位置；
基于训练样本集，执行如下处理步骤：
将训练样本集中的至少一个训练样本包括的样本图像输入至初始神经网络，得到所述至少一个训练样本中的每个训练样本对应的图像识别结果，其中，所述图像识别结果包括：名称组、面积组、特征向量组、数量组、位置组，所述名称组中的名称对应所述面积组中的面积，所述名称组中的名称对应所述特征向量组中的特征向量，所述名称组中的名称对应所述数量组中的数量，所述名称组中的名称对应所述位置组中的位置；
基于预设的损失函数，确定所述至少一个训练样本中的每个训练样本和对应所述训练样本的图像识别结果之间的损失值；
响应于确定损失值小于等于预设阈值，将初始神经网络确定为图像识别模型。
4.根据权利要求3所述的方法，其中，所述方法还包括：
响应于确定损失值大于所述预设阈值，调整初始神经网络的网络参数，以及使用未使用过的训练样本组成训练样本集，将调整后的初始神经网络作为初始神经网络，再次执行所述处理步骤。
5.根据权利要求1所述的方法，其中，所述对所述第一物品标注图像和所述第二物品标注图像分别进行图像特征提取处理，以生成第一物品特征向量和第二物品特征向量，包括：
将所述第一物品标注图像输入至预先训练的图像特征提取网络，得到第一物品特征向量；
将所述第二物品标注图像输入至所述图像特征提取网络，得到第二物品特征向量。
6.根据权利要求5所述的方法，其中，所述图像特征提取网络包括：第一卷积层、第二卷积层和第三卷积层。
7.根据权利要求6所述的方法，其中，所述将所述第一物品标注图像输入至预先训练的图像特征提取网络，得到第一物品特征向量，包括：
将所述第一物品标注图像分别输入至所述第一卷积层、所述第二卷积层和所述第三卷积层，得到第一标注物品特征序列、第二标注物品特征序列、第三标注物品特征序列；
对所述第一标注物品特征序列、所述第二标注物品特征序列、所述第三标注物品特征序列分别进行第一池化处理，得到第一池化特征序列集；
对所述第一标注物品特征序列、所述第二标注物品特征序列、所述第三标注物品特征序列分别进行第二池化处理，得到第二池化特征序列集；
将所述第一池化特征序列集中的每个第一池化特征序列与对应所述第一池化特征序列的第二池化特征序列进行特征拼接，以生成子拼接特征序列，得到子拼接特征序列集；
将所述子拼接特征序列集中的各个子拼接特征进行特征拼接，以生成拼接特征作为第一物品特征向量。
8.一种设备控制装置，包括：
获取单元，被配置成获取图像传感器所采集的第一物品图像和第二物品图像，其中，所述第一物品图像中显示了多个物品，所述第二物品图像中显示了多个物品，所述第一物品图像为用户在获取自动售货柜中的物品之前所述图像传感器所采集的自动售货柜中存放多个物品时的图像，所述第二物品图像为所述用户在获取所述自动售货柜中的物品之后所述图像传感器所采集的自动售货柜中存放多个物品时的图像；
标注单元，被配置成对所述第一物品图像中显示的各个物品和所述第二物品图像中显示的各个物品分别进行标注处理以生成第一物品标注图像和第二物品标注图像；
提取单元，被配置成对所述第一物品标注图像和所述第二物品标注图像分别进行图像特征提取处理，以生成第一物品特征向量和第二物品特征向量；
输入单元，被配置成将所述第一物品特征向量和所述第二物品特征向量分别输入至预先训练的图像识别模型中，得到第一物品识别结果和第二物品识别结果，其中，所述第一物品识别结果包括第一物品信息组，所述第二物品识别结果包括第二物品信息组，所述第一物品信息组中的物品信息包括物品名称、对应所述物品名称的物品位置和物品数量，所述第二物品信息组中的物品信息包括物品名称、对应所述物品名称的物品位置和物品数量；
生成单元，被配置成根据所述第一物品信息组包括的各个物品名称、物品位置、物品数量和所述第二物品信息组包括的各个物品名称、物品位置、物品数量，生成补货信息。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110470614.6A CN112990135B (zh) | 2021-04-29 | 2021-04-29 | 设备控制方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110470614.6A CN112990135B (zh) | 2021-04-29 | 2021-04-29 | 设备控制方法、装置、电子设备和计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112990135A true CN112990135A (zh) | 2021-06-18 |
| CN112990135B CN112990135B (zh) | 2021-08-31 |
Family
ID=76336568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110470614.6A Active CN112990135B (zh) | 2021-04-29 | 2021-04-29 | 设备控制方法、装置、电子设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112990135B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150287127A1 (en) * | 2014-04-03 | 2015-10-08 | Cubic Corporation | Remote screen and touch sharing |
| CN110175590A (zh) * | 2019-05-31 | 2019-08-27 | 北京华捷艾米科技有限公司 | 一种商品识别方法及装置 |
| CN110287928A (zh) * | 2019-07-01 | 2019-09-27 | 名创优品（横琴）企业管理有限公司 | 商品缺货检测方法及装置 |
| CN110942050A (zh) * | 2019-12-20 | 2020-03-31 | 华南理工大学 | 一种基于图像处理的自动售卖机商品识别系统 |
-
2021
- 2021-04-29 CN CN202110470614.6A patent/CN112990135B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150287127A1 (en) * | 2014-04-03 | 2015-10-08 | Cubic Corporation | Remote screen and touch sharing |
| CN110175590A (zh) * | 2019-05-31 | 2019-08-27 | 北京华捷艾米科技有限公司 | 一种商品识别方法及装置 |
| CN110287928A (zh) * | 2019-07-01 | 2019-09-27 | 名创优品（横琴）企业管理有限公司 | 商品缺货检测方法及装置 |
| CN110942050A (zh) * | 2019-12-20 | 2020-03-31 | 华南理工大学 | 一种基于图像处理的自动售卖机商品识别系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112990135B (zh) | 2021-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109800732B (zh) | 用于生成漫画头像生成模型的方法和装置 | |
| CN108710885B (zh) | 目标对象的检测方法和装置 | |
| CN112766284A (zh) | 图像识别方法和装置、存储介质和电子设备 | |
| CN111783810A (zh) | 用于确定用户的属性信息的方法和装置 | |
| CN113762321A (zh) | 多模态分类模型生成方法和装置 | |
| CN111160410B (zh) | 一种物体检测方法和装置 | |
| CN113743971A (zh) | 一种数据处理方法和装置 | |
| CN113255327B (zh) | 文本处理方法、装置、电子设备及计算机可读存储介质 | |
| CN112990135B (zh) | 设备控制方法、装置、电子设备和计算机可读介质 | |
| CN113255819B (zh) | 用于识别信息的方法和装置 | |
| CN112381184B (zh) | 图像检测方法、装置、电子设备和计算机可读介质 | |
| CN116597430A (zh) | 物品识别方法、装置、电子设备和计算机可读介质 | |
| CN113642654B (zh) | 图像特征的融合方法、装置、电子设备和存储介质 | |
| CN111428536A (zh) | 用于检测物品类别和位置的检测网络的训练方法和装置 | |
| CN115271757A (zh) | 需求信息生成方法、装置、电子设备和计算机可读介质 | |
| CN111488890B (zh) | 一种物品检测模型的训练方法和装置 | |
| CN112884538A (zh) | 物品推荐的方法和装置 | |
| CN111428729A (zh) | 一种目标检测方法和装置 | |
| CN113819989B (zh) | 物品封装方法、装置、电子设备和计算机可读介质 | |
| CN116796023A (zh) | 物品匹配方法、装置、电子设备、计算机可读介质和产品 | |
| CN114625876B (zh) | 作者特征模型的生成方法、作者信息处理方法和装置 | |
| CN111783813B (zh) | 图像的评估方法、训练图像模型方法、装置、设备和介质 | |
| CN114627352A (zh) | 物品信息生成方法、装置、电子设备和计算机可读介质 | |
| CN113920397A (zh) | 用于训练图像分类模型和用于图像分类的方法、装置 | |
| CN113986949A (zh) | 物品标签卡调整方法、装置、电子设备和计算机可读介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231101 Address after: 518000, Building 702, Building A, No. 4545 Songbai Road, Heshuikou Community, Matian Street, Guangming District, Shenzhen, Guangdong Province Patentee after: Shenzhen Yongsheng Intellectual Property Service Co.,Ltd. Address before: 100102 room 076, no.1-302, 3 / F, commercial building, No.9 Wangjing street, Chaoyang District, Beijing Patentee before: BEIJING MISSFRESH E-COMMERCE Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240229 Address after: Room 307, Complex Building, National University Science Park, No. 669 High speed Railway, the Taihu Lake Street, Changxing County, Huzhou City, Zhejiang Province, 313000 Patentee after: Zhejiang hi facilitation Network Technology Co.,Ltd. Country or region after: China Address before: 518000, Building 702, Building A, No. 4545 Songbai Road, Heshuikou Community, Matian Street, Guangming District, Shenzhen, Guangdong Province Patentee before: Shenzhen Yongsheng Intellectual Property Service Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |